基于模仿学习和强化学习的智能车辆换道行为决策

本文中提出了一种基于模仿学习和强化学习的智能车辆换道行为决策方法。其中宏观决策模块通过模仿学习构建极端梯度提升模型,根据输入信息在车道保持、左换道和右换道中选择宏观决策指令,以此确定所需求解的换道行为决策子问题;各细化决策子模块通过深度确定性策略梯度强化学习方法得到优化策略,求解相应换道行为决策子问题,以确定车辆运动目标位置并下发执行。仿真结果表明:本文中提出方法的策略学习速度比单纯强化学习方法快,且其综合性能优于有限状态机、行为克隆模仿学习和单纯强化学习等方法。

收运车机械手执行机构多目标优化设计

收运车机械手执行机构的关键点轨迹偏差、运动平稳性是影响收运车上料过程中垃圾漂、撒、遗的关键因素。为提高关键点轨迹精度及运动平稳性,建立了收运车机械手执行机构优化设计数学模型。以各杆长及短连架杆初始角度等参数为设计变量,以关键点轨迹偏差、输出角速度标准差为优化目标,根据收运车机械手执行机构参数的约束条件,建立机构的关键点轨迹与运动平稳性优化数学模型。采用基于内点算法的优化方法进行求解,最后利用仿真试验对优化结果进行验证。结果表明,优化后收运车机械手执行机构的运动性能得到较大改善。

基于现代TRIZ工具的多功能课桌创新设计

目的结合高校不同教学环节对课桌的功能需求,设计一种集多种功能于一体的新型课桌,解决因教室资源与教学需求不匹配而导致的教学设施不足的问题。方法运用现代TRIZ功能导向搜索,在各领域搜索可实现课桌各分功能的相关产品或装置;运用对标分析,优选相关产品功能实现的机构运动方案或结构;运用特征传递工具,将优选的功能实现方案应用于课桌设计。结论通过运用上述方法,借用其他领域较成熟的功能实现原理和结构,低风险、低成本地产生创新解决方案,设计出一种创新性突出的多功能课桌。相对于常规的产品开发全新方案设计,该设计方法提高了创新设计效率,缩短了产品开发周期,设计方案具有较好的可靠性。

基于一种多分类半监督学习算法的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆(被预测的车辆)与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场(Conditional Random Field,CRF),采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明:所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机(SVM)、隐马尔可夫模型(HMM)和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。